Extraindo padrões geológicos com múltiplos pontos
RESUMO : A simulação de múltiplos pontos (MPS) representa um avanço na modelagem geológica, permitindo capturar padrões espaciais complexos — como canais, veios e zonas de mineralização — que métodos baseados apenas no variograma não conseguem reproduzir.
Enquanto os métodos clássicos dependem da correlação entre pares de pontos, o MPS utiliza imagens de treinamento para aprender padrões espaciais completos e gerar modelos mais realistas e geologicamente consistentes.
1. Introdução
A Simulação de Múltiplos Pontos (MPS) representa uma evolução fundamental da geoestatística tradicional baseada em dois pontos (variograma). Enquanto os métodos clássicos — como Sequential Gaussian Simulation (SGS) e Sequential Indicator Simulation (SIS) — reproduzem apenas correlações bivariadas, o MPS incorpora estatísticas de ordem superior capazes de capturar formas geométricas complexas e padrões espaciais curvilíneos, tais como canais, veios de quartzo ou zonas de cisalhamento.
O algoritmo de mulitple-point simulation trata precisamente das variações de volume dos depósitos minerais como litologias, estilos de mineralização e estruturas geológicas. Apesar de possuir variações para a estimativa de propriedades do depósito como teores, seu uso em maior escala se desenvolveu principalmente na avaliação de valores de volume em contatos geológicos nos depósitos minerais. O algoritmo SNESIM (Single Normal Equation Simulation) proposto por Strebelle (2002) consolidou esse conceito ao associar cada configuração espacial encontrada na TI a uma probabilidade condicional, eliminando a necessidade de inferir modelos variográficos.
Essa metodologia depende de uma imagem de treinamento (Training Image, TI) — uma representação digital de padrões geológicos típicos — usada para extrair estatísticas de múltiplos pontos (probabilidades condicionais conjuntas). Em outras palavras a imagem de treinamento é uma representação possível e fiel do modelo geológico, de onde serão retiradas as probabilidades de padrões para sua reprodução em outras simulações. Diversas podem ser as fontes de uma imagem de treinamento, como dados geofísicos, simulações mapas geológicos ou qualquer fonte confiável para a representação do depósito.
O algoritmo de multiple-point simulation tende a simular pixel a pixel as possíveis classes do depósito mineral. O padrão (template) consiste em seu pixel central {u} e seus pixels da vizinhança {d}. Diferentes geometrias de padrões podem ser usados na simulação. Ao aumentar os pixels da vizinhança tende-se a aumentar o gasto computacional para as análises, sendo que padrões simples podem resultar em simulações robustas sem a necessidade de padrões complexos.
Logo é possível, a partir da imagem de treinamento obter a probabilidade de um pixel apresentar um valor de uma classe na presença de valores em sua vizinhança.
Após extraídas as probabilidades de cada um destes padrões, é realizada uma imagem simulada considerando alguns pontos de ancoragem iniciais, originais da imagem de treinamento e estipulado os pixels de acordo com a probabilidade do pixel em relação a sua vizinhança.
A simulação resultante tende a se diferenciar da imagem de treinamento inicial, mas mantendo as formas e estruturas originais da imagem de treinamento. O algoritmo de múltiplos pontos é uma ferramenta poderosa para análise de contato e diluição nos depósitos minerais.
2. Formulação matemática
Considere uma variável categórica S(u) que pode assumir K estados {sk}.O objetivo é calcular a função de probabilidade condicional (cpdf)
Eq. 1 = Probabilidade condicional
onde dn ={s(u1),s(u2),…,s(un)} representa o evento de dados em torno do ponto u. As categorias podem ser, por exemplo as litologias presentes nas células. A figura 1 representa a localização da célula u, e 8 células d na envoltória desta célula. A direção de varredura consiste na orientação ao qual essas células serão avaliadas.
A partir da definição bayesiana, a probabilidade condicional é:
Eq.2 = Probabilidade condicional e bayes
Em que P{S(u) = sk, dn} é a probabilidade do pixel ser da classe sk dada sua vizinhança , e P{dn} é a probabilidade de ocorrência dessa vizinhança. No contexto de MPS, essas probabilidades são estimadas empiricamente a partir da frequência de ocorrência de padrões semelhantes na TI. Denotando c(dn)o número de vezes em que o evento dn ocorre na TI, e ck(dn) o número de vezes em que esse evento tem o valor central igual a sk temos:
Eq.3 Equação fundamental
Essa é a equação fundamental da simulação de múltiplos pontos, eliminando a necessidade de ajustar variogramas ou covariâncias.
2.2 Estrutura Recursiva e Redução de Subtemplates
Quando um evento dnd_ndn não é encontrado com frequência suficiente na TI, o algoritmo reduz o tamanho do template (subconjunto de pontos vizinhos), aplicando a relação recursiva:
Eq.4 Redução subtemplates
onde dn′ é um subtemplate de dn (com n′<n) .Isso garante robustez estatística e reduz a influência de padrões raros.
3. A Imagem de Treinamento (Training Image, TI)
A TI é o coração do MPS. Ela define o conjunto de padrões espaciais possíveis e suas frequências relativas. Diferentemente de um modelo variográfico, a TI expressa explicitamente a estrutura geométrica esperada. Pode ser uma imagem digital criada por:
- esboço geológico interpretativo,
- modelo gerado por simulação de objetos,
- ou amostras reais de análogos geológicos.
A suposição essencial é a estacionariedade estatística, permitindo que as proporções extraídas da TI sejam aplicadas ao domínio simulado.
4. O Algoritmo SNESIM (Strebelle, 2002)
O SNESIM (Single Normal Equation Simulation) foi o primeiro algoritmo eficiente de MPS. Ele substitui o cálculo tradicional de variogramas por buscas diretas em uma árvore de padrões construída a partir da TI.
Etapas principais:
- Construção da Árvore de Busca (Search Tree):
- A TI é escaneada uma única vez para armazenar todos os padrões dn e suas frequências.
- Essa estrutura armazena c(dn) e ck(dn), de modo hierárquico.
- Simulação Sequencial:
- Os nós da malha são visitados em caminho aleatório.
- Para cada nó, o evento dn é buscado na árvore.
- A probabilidade condicional é calculada pela Eq. (4).
- O valor é sorteado conforme essa probabilidade e utilizado como dado conhecido nos próximos passos.
- Ancoragem aos dados reais (condicionamento):
- Amostras conhecidas são mantidas fixas.
- Padrões da TI são usados apenas para preencher regiões não amostradas.
5. Aplicações em Modelos de Volume Mineral
Em modelagem de blocos geológicos e de recursos minerais, o MPS é especialmente útil para:
- Domínios de minério de geometria irregular, como veios auríferos e zonas hidrotermais.
- Reconstrução de continuidade litológica entre furos de sondagem esparsos.
- Integração de informação estrutural (imagens geológicas, mapas de afloramento, análogos digitais).
Por exemplo, em um depósito cuprífero tipo porphyry, as probabilidades múltiplas permitem conectar zonas de teor elevado sem recorrer a anisotropias artificiais.
8. Considerações Computacionais
O custo computacional do MPS cresce exponencialmente com o tamanho do template e o número de categorias KKK, sendo O(Kn). Por isso, recomenda-se limitar o template a 25–50 pontos e usar compressão hierárquica (árvore de busca).
9. Conclusões
O algoritmo de Simulação de Múltiplos Pontos (MPS) representa uma revolução na geoestatística aplicada à mineração e geologia de reservatórios. Ele permite a reprodução direta de padrões espaciais complexos sem depender da suposição de gaussianidade. A imagem de treinamento substitui o variograma como principal fonte de estrutura espacial, tornando o modelo explicitamente geológico e visualmente coerente.
O sucesso do MPS, entretanto, depende crucialmente da representatividade da imagem de treinamento e da qualidade estatística dos padrões extraídos.
Bibliografia
- Strebelle, S. (2002). Conditional Simulation of Complex Geological Structures Using Multiple-Point Statistics. Mathematical Geology, 34(1), 1–21.
- Ortiz, J. M., & Deutsch, C. V. (2004). Indicator Simulation Accounting for Multiple-Point Statistics. Mathematical Geology, 36(5), 545–564.
- Journel, A. G., & Zhang, T. (2006). The Necessity of a Multiple-Point Prior Model. Mathematical Geology, 38(5), 591–603.
- Guardiano, F., & Srivastava, R. (1993). The Simulation of Complex Geological Structures Using Multiple-Point Statistics. Geostatistics-Troia, 133–143.
- Zhang, T., Switzer, P., & Journel, A. (2006). FILTERSIM: A Pattern-Based Multiple-Point Geostatistical Simulation Algorithm. Mathematical Geology, 38(1), 63–90.
Share this content: